JP6055391B2 - 関連性判定装置、関連性判定プログラム、及び関連性判定方法 - Google Patents
関連性判定装置、関連性判定プログラム、及び関連性判定方法 Download PDFInfo
- Publication number
- JP6055391B2 JP6055391B2 JP2013214182A JP2013214182A JP6055391B2 JP 6055391 B2 JP6055391 B2 JP 6055391B2 JP 2013214182 A JP2013214182 A JP 2013214182A JP 2013214182 A JP2013214182 A JP 2013214182A JP 6055391 B2 JP6055391 B2 JP 6055391B2
- Authority
- JP
- Japan
- Prior art keywords
- vector
- inner product
- feature
- relevance determination
- binary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 55
- 239000013598 vector Substances 0.000 claims description 1256
- 238000004364 calculation method Methods 0.000 claims description 257
- 238000000354 decomposition reaction Methods 0.000 claims description 93
- 238000003064 k means clustering Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 230000001131 transforming effect Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 4
- 230000020509 sex determination Effects 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 description 29
- 239000011159 matrix material Substances 0.000 description 23
- 230000014509 gene expression Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Description
f(x)=wTx+b
f(x)が正ならばxはクラスAに属し、f(x)が負ならばxはクラスBに属するものとして識別する。 wは、重みパラメータであって、w∈Rdである。bは、バイアスパラメータであって、b∈R1である。パラメータw及びbは、学習用に用意した特徴量を用いて、学習処理により自動的に決定される。
ステップ2:入力として与えられたN個の特徴量それぞれについて、最も距離が近い代表ベクトルを求める。
ステップ3:各代表ベクトルに所属する特徴量の平均を計算し、これを新しい代表ベクトルとする。
ステップ4:ステップ2、ステップ3を収束するまで繰り返す。
を含むことを特徴とする関連性判定方法。
図1は、本発明の実施の形態の特徴量演算装置100の構成を示すブロック図である。特徴量演算装置100は、コンテンツ取得部101と、特徴ベクトル生成部102と、特徴ベクトル二値化部103と、実数ベクトル取得部104と、実数ベクトル分解部105と、ベクトル演算部106と、データベース107とを備えている。
実数ベクトル分解部105は、誤差最少化によって実数ベクトルを分解する。第1の分解手法の手順は、以下のとおりである。
(1)基底行列M及び係数ベクトルcをランダムに初期化する。
(2)基底行列Mを固定して、分解の誤差
(3)係数ベクトルcを固定して、分解の誤差
(4)収束するまで(2)及び(3)を繰り返す。例えば、
(5)ステップ(1)〜ステップ(4)により得た解を候補として保持する。
(6)ステップ(1)〜ステップ(5)を繰り返し、最も
次に、第2の分解手法を説明する。第1の分解手法では、分解誤差を
(1)rにqを代入する(r←q)
(2)iに1を代入する(i←1)
(3)第1の分解手法によって
(4−1)miを固定して、
(4−2)ciを固定して、
(4−3)収束するまで(4−1)及び(4−2)を繰り返す。例えば、
(6)ステップ(1)〜(6)により得た解M、cを候補として保持する。
(7)ステップ(1)〜(6)を繰り返し、最も
Dhamming(p,mi)と下式(3)の関係がある。
取る操作であり、BITCOUNT関数はバイナリコードの1が立っているビット数を数えあげる処理のことである。
上記の第1の実施の形態では、二値ベクトルp、miを、それぞれ、p∈{−1,1}d、mi∈{−1,1}dと定義して、実数ベクトルを二値ベクトルの線形和に分解することで内積演算pTmiが高速になることを説明した。しかしながら、p、miをより一般的な二値ベクトルp´∈{−a,a}d、mi´∈{−a,a}dとしても、それらの高速な内積演算が可能である。この場合、p´Tmi´=a2(pTmi)であることから、−1及び1により定義される二値ベクトル同士の内積にa2を掛ければよい。なお、この場合には、特徴ベクトルp´を係数aで除して得られる二値ベクトルpが「第1の二値ベクトル」に相当し、基底ベクトルmi´を係数aで除して得られる二値ベクトルmiが「第2の二値ベクトル」に相当する。
次に、第2の実施の形態の特徴量演算装置を説明する。第2の実施の形態の特徴量演算装置の構成は、図1に示した第1の実施の形態のそれと同じである。第1の実施の形態では、実数ベクトル分解部105は、実数ベクトルを式(1)によって二値ベクトルの線形和に分解したが、本実施の形態の特徴量演算装置100の実数ベクトル分解部105は、実数ベクトルを三値ベクトルの線形和に分解する。
上記の第2の実施の形態では、二値ベクトルp及び三値ベクトルmiを、それぞれ、p∈{−1,1}d、mi∈{−1,0,1}dと定義して、実数ベクトルを三値ベクトルの線形和に分解することで内積演算pTmiが高速になることを説明した。しかしながら、p、miをより一般的な二値ベクトルp´∈{−a,a}d、三値ベクトルmi∈{−a,0,a}dとしても、それらの高速な内積演算が可能である。この場合、p´Tmi´=a2(pTmi)であることから、−1及び1により定義される二値ベクトル同士の内積にa2を掛ければよい。
第1及び第2の実施の形態では、ベクトル演算部106における演算処理において行なわれる特徴ベクトルpと実数ベクトルqとの内積演算について説明した。特徴ベクトルpと実数ベクトルqとの内積演算を伴う演算処理については、後述にて応用例として説明するが、演算処理として、内積pTqがある閾値Tと比較されることがある。例えば、特徴ベクトルの識別を行なう場合には、内積pTqがある閾値Tと比較される。
以下、第1のカスケードによる閾値処理の高速化をする。以下の例では、閾値をTとして、pTq>Tを判定する。図4は、ベクトル演算部106おけるカスケードによる閾値処理の高速化のフロー図である。ベクトル演算部106は、まずi=1、y=0とする(ステップS11)。次に、yをy+ci(pTmi)に更新する(ステップS12)。次に、yがTi minより大きいか否かを判断する(ステップS13)。なお、Ti minは、pTq<Tを早期に判定するための最小側早期判定閾値であり、その決定方法については、後述する。yがTi minより小さい場合には(ステップS13にてYES)、pTq<Tであると判定して(ステップS14)、そこで特徴ベクトルpと実数ベクトルqとの内積演算を打ち切って、処理を終了する。
第2のカスケードでは、実数ベクトルを複数のサブベクトルに分解することでより深いカスケードを実施し、これにより、閾値との比較処理をより高速化する。即ち、第1のカスケードでは、
本実施の形態では、本発明がHoGによる物体認識に応用される。図5は、物体認識装置の構成を示すブロック図である。物体認識装置10は、HoGによる物体認識を行なう。物体認識装置10は、ピラミッド画像生成部11と、HoG特徴量抽出部12と、バイナリコード変換部13と、パラメータ決定部14と、パラメータ行列分解部15と、線形SVM識別部16と、ピーク検出部17とを備えている。
本実施の形態では、本発明がk−meansクラスタリングに応用される。図6は、k−meansクラスタリング装置の構成を示すブロック図である。k−meansクラスタリング装置20は、コンテンツ取得部21と、特徴ベクトル生成部22と、特徴ベクトル二値化部23と、代表ベクトル更新部24と、収束判定部25と、代表ベクトル分解部26と、最近接代表ベクトル探索部27とを備えている。
本実施の形態では、本発明がk−means treeによる近似最近傍探索に応用される。本実施の形態の近似最近傍探索装置は、k−meansを用いたk−分木による近似最近傍探索手法として、Marius Muja and David G. Lowe, "Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration", in International Conference on Computer Vision Theory and Applications (VISAPP' 09), 2009(http://www.cs.ubc.ca/~mariusm/index.php/FLANN/FLANN、http://people .cs.ubc.ca/~mariusm/uploads/FLANN/flann_visapp09.pdf)に提案されている手法を採用する。
特徴量演算装置100において、コンテンツ取得部101、特徴ベクトル生成部102、特徴ベクトル二値化部103、実数ベクトル取得部104、実数ベクトル分解部105、及びベクトル演算部106の一部と他の部分とが別々の装置として構成されていてもよい。特に、コンテンツ取得部101、特徴ベクトル生成部102、特徴ベクトル二値化部103、及びベクトル演算部106が特徴演算装置100に搭載され、実数ベクトル取得部104、及び実数ベクトル分解部105が別の装置に搭載されてよい。この場合には、実数ベクトル分解部105にて分解された複数の実数ベクトル(複数の係数ベクトルと基底ベクトルの組)が特徴演算装置100のデータベースに記憶され、ベクトル演算部106は、データベースから分解された複数の実数ベクトルを取得する。このとき、ベクトル演算部106は、基底ベクトル取得部(第1及び第2の実施の形態)、あるいは、二値ベクトル取得部(第1の実施の形態)、三値ベクトル取得部(第2の実施の形態)として機能する。
上記の第1ないし第6の実施の形態には、以下の技術(これらに限られない)が含まれている。
二値化された特徴ベクトルを取得する特徴ベクトル取得部と、
実数ベクトルを取得する実数ベクトル取得部と、
前記実数ベクトルを複数の二値の基底ベクトルの線形和に分解する実数ベクトル分解部と、
前記特徴ベクトルと分解された前記実数ベクトルとの内積計算を含む演算を行なうベクトル演算部と、
を備えたことを特徴とする特徴量演算装置。
前記特徴ベクトルと分解された前記実数ベクトルとの内積計算は、−1及び1のみを要素としてもつ第1の二値ベクトルと−1及び1のみを要素としてもつ複数の第2の二値ベクトルとの内積計算を含むことを特徴とする付記1−1に記載の特徴量演算装置。
前記第1の二値ベクトルは、前記特徴ベクトルであることを特徴とする付記1−2に記載の特徴量演算装置。
前記第1の二値ベクトルは、前記特徴ベクトルの各要素を所定の係数で除したベクトルであることを特徴とする付記1−2に記載の特徴量演算装置。
前記第1の二値ベクトルは、その各要素を線形変換することで前記特徴ベクトルが得られるベクトルであることを特徴とする付記1−2に記載の特徴量演算装置。
前記第2の二値ベクトルは、前記基底ベクトルであることを特徴とする付記1−2ないし1−5のいずれか一項に記載の特徴量演算装置。
前記第2の二値ベクトルは、前記基底ベクトルの各要素を所定の係数で除したベクトルであることを特徴とする付記1−2ないし1−5のいずれか一項に記載の特徴量演算装置。
前記第2の二値ベクトルは、その各要素を線形変換することで前記基底ベクトルが得られるベクトルであることを特徴とする付記1−2ないし1−5のいずれか一項に記載の特徴量演算装置。
前記ベクトル演算部は、前記第1の二値ベクトルと前記第2の二値ベクトルとの排他的論理和をとることで、前記第1の二値ベクトルと前記第2の二値ベクトルとの内積を計算することを特徴とする付記1−2ないし1−8のいずれか一項に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記複数の基底ベクトルの要素を固定して、分解の誤差が最小になるように、前記複数の基底ベクトルに係る複数の係数を更新する第1の更新と、前記複数の係数を固定して、分解の誤差が最小になるように前記基底ベクトルの要素を更新する第2の更新とを繰り返すことで、前記複数の基底ベクトル及び前記複数の係数を求めることを特徴とする付記1−2ないし1−9のいずれか一項に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記分解誤差の減少量が所定の値以下になるまで前記第1の更新と前記第2の更新を繰り返すことを特徴とする付記1−10に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記複数の基底ベクトル及び前記複数の係数の初期値を変えて、複数とおりの前記複数の基底ベクトル及び前記複数の係数を求め、前記分解誤差が最小となる前記複数の基底ベクトル及び前記複数の係数を採用することを特徴とする付記1−10又は1−11に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記複数の基底ベクトルに係る複数の係数を離散値とすることを特徴とする付記1−1ないし1−12のいずれか一項に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記実数ベクトルの要素の平均値を前記実数ベクトルの各要素から引いてオフセット実数ベクトルを生成し、当該オフセット実数ベクトルを前記基底ベクトルの線形和に分解することを特徴とする付記1−1ないし1−13のいずれか一項に記載の特徴量演算装置。
前記特徴ベクトルは、HoG特徴量であり、
前記実数ベクトルは、線形SVMの重みベクトルであり、
前記ベクトル演算部は、線形SVMによって前記特徴ベクトルの識別を行なう
ことを特徴とする付記1−1ないし1−14のいずれか一項に記載の特徴量演算装置。
前記特徴ベクトルは、k−meansクラスタリングによるクラスタリングの対象となるベクトルであり、
前記実数ベクトルは、k−meansクラスタリングにおける代表ベクトルであり、
前記ベクトル演算部は、前記特徴ベクトルと前記代表ベクトルとの間の距離の演算を含むクラスタリング処理を行なう
ことを特徴とする付記1−1ないし1−14のいずれか一項に記載の特徴量演算装置。
前記特徴ベクトルは、k−means treeによる近似最近傍探索の対象となるベクトルであり、
前記実数ベクトルは、k−分木のノードに登録されている代表ベクトルであり、
前記ベクトル演算部は、前記特徴ベクトルと前記代表ベクトルとの間の距離の演算を含むクラスタリング処理を行なう
ことを特徴とする付記1−1ないし1−14のいずれか一項に記載の特徴量演算装置。
前記特徴ベクトルは、画像の特徴量を表すベクトルであることを特徴とする付記1−15ないし1−17のいずれか一項に記載の特徴量演算装置。
コンピュータを、付記1−1ないし1−18のいずれか一項に記載の特徴量演算装置として機能させるための特徴量演算プログラム。
二値化された特徴ベクトルを取得する特徴ベクトル取得ステップと、
実数ベクトルを取得する実数ベクトル取得ステップと、
前記実数ベクトルを複数の二値の基底ベクトルの線形和に分解する実数ベクトル分解ステップと、
前記特徴ベクトルと分解された前記実数ベクトルとの内積計算を含む演算を行なう特徴ベクトル演算ステップと、
を含むことを特徴とする特徴量演算方法。
二値化された特徴ベクトルを取得する特徴ベクトル取得部と、
実数ベクトルを取得する実数ベクトル取得部と、
前記実数ベクトルを複数の三値の基底ベクトルの線形和に分解する実数ベクトル分解部と、
前記特徴ベクトルと分解された前記実数ベクトルとの内積計算を含む演算を行なうベクトル演算部と、
を備えたことを特徴とする特徴量演算装置。
前記特徴ベクトルと分解された前記実数ベクトルとの内積計算は、−1及び1のみを要素としてもつ二値ベクトルと−1、0及び1のみを要素としてもつ複数の三値ベクトルとの内積計算を含むことを特徴とする付記2−1に記載の特徴量演算装置。
前記二値ベクトルは、前記特徴ベクトルであることを特徴とする付記2−2に記載の特徴量演算装置。
前記二値ベクトルは、前記特徴ベクトルの各要素を所定の係数で除したベクトルであることを特徴とする付記2−2に記載の特徴量演算装置。
前記二値ベクトルは、その各要素を線形変換することで前記特徴ベクトルが得られるベクトルであることを特徴とする付記2−2に記載の特徴量演算装置。
前記複数の三値ベクトルは、前記複数の基底ベクトルであることを特徴とする付記2−2ないし2−5のいずれか一項に記載の特徴量演算装置。
前記複数の三値ベクトルは、前記複数の基底ベクトルの各要素を所定の係数で除したベクトルであることを特徴とする付記2−2ないし2−5のいずれか一項に記載の特徴量演算装置。
前記複数の三値ベクトルは、その各要素を線形変換することで前記複数の基底ベクトルが得られるベクトルであることを特徴とする付記2−2ないし2−5のいずれか一項に記載の特徴量演算装置。
前記ベクトル演算部は、前記二値ベクトルと前記三値ベクトルとの内積計算において、前記三値ベクトルの0の要素を−1又は1の任意のいずれかに置換して0置換ベクトルを生成し、前記三値ベクトルの0の要素を−1に置換し、かつ0以外の要素を1に置換してフィルタベクトルを生成し、前記二値ベクトルと前記0置換ベクトルとの排他的論理和と前記フィルタベクトルとの論理積をとることで、前記二値ベクトルと前記三値ベクトルとの間の非0で異なる要素の要素数Dfilterd_hammingを求め、前記要素数Dfilterd_hamming及び非0の要素数を前記二値ベクトルの要素数から引くことで、前記二値ベクトルと前記三値ベクトルとの間の非0で同一の要素の要素数を求め、前記二値ベクトルと前記三値ベクトルとの間の非0で同一の要素の要素数から前記二値ベクトルと前記三値ベクトルとの間の非0で異なる要素の要素数を引くことで、前記二値ベクトルと前記三値ベクトルとの内積を求めることを特徴とする付記2−2ないし2−8のいずれか一項に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記複数の基底ベクトルの要素を固定して、分解の誤差が最小になるように、前記複数の基底ベクトルに係る複数の係数を更新する第1の更新と、前記複数の係数を固定して、分解の誤差が最小になるように前記基底ベクトルの要素を更新する第2の更新とを繰り返すことで、前記複数の基底ベクトル及び前記複数の係数を求めることを特徴とする付記2−1ないし2−9のいずれか一項に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記分解誤差の減少量が所定の値以下になるまで前記第1の更新と前記第2の更新を繰り返すことを特徴とする付記2−10に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記複数の基底ベクトル及び前記複数の係数の初期値を変えて、複数とおりの前記複数の基底ベクトル及び前記複数の係数を求め、前記分解誤差が最小となる前記複数の基底ベクトル及び前記複数の係数を採用することを特徴とする付記2−10又は2−11に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記複数の基底ベクトルに係る複数の係数を離散値とすることを特徴とする付記2−1ないし2−12のいずれか一項に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記実数ベクトルの要素の平均値を前記実数ベクトルの各要素から引いてオフセット実数ベクトルを生成し、当該オフセット実数ベクトルを前記基底ベクトルの線形和に分解することを特徴とする付記2−1ないし2−13のいずれか一項に記載の特徴量演算装置。
前記特徴ベクトルは、HoG特徴量であり、
前記実数ベクトルは、線形SVMの重みベクトルであり、
前記ベクトル演算部は、線形SVMによって前記特徴ベクトルの識別を行なう
ことを特徴とする付記2−1ないし2−14のいずれか一項に記載の特徴量演算装置。
前記特徴ベクトルは、k−meansクラスタリングによるクラスタリングの対象となるベクトルであり、
前記実数ベクトルは、k−meansクラスタリングにおける代表ベクトルであり、
前記ベクトル演算部は、前記特徴ベクトルと前記代表ベクトルとの間の距離の演算を含むクラスタリング処理を行なう
ことを特徴とする付記2−1ないし2−14のいずれか一項に記載の特徴量演算装置。
前記特徴ベクトルは、k−means treeによる近似最近傍探索の対象となるベクトルであり、
前記実数ベクトルは、k−分木のノードに登録されている代表ベクトルであり、
前記ベクトル演算部は、前記特徴ベクトルと前記代表ベクトルとの間の距離の演算を含むクラスタリング処理を行なう
ことを特徴とする付記2−1ないし2−14のいずれか一項に記載の特徴量演算装置。
前記特徴ベクトルは、画像の特徴量を表すベクトルであることを特徴とする付記2−15ないし2−17のいずれか一項に記載の特徴量演算装置。
コンピュータを、付記2−1ないし2−18のいずれか一項に記載の特徴量演算装置として機能させるための特徴量演算プログラム。
二値化された特徴ベクトルを取得する特徴ベクトル取得ステップと、
実数ベクトルを取得する実数ベクトル取得ステップと、
前記実数ベクトルを複数の三値の基底ベクトルの線形和に分解する実数ベクトル分解ステップと、
前記特徴ベクトルと分解された前記実数ベクトルとの内積計算を含む演算を行なう特徴ベクトル演算ステップと、
を含むことを特徴とする特徴量演算方法。
二値化された特徴ベクトルを取得する特徴ベクトル取得部と、
実数ベクトルを取得する実数ベクトル取得部と、
前記実数ベクトルを離散値の要素を持つ複数の基底ベクトルの線形和に分解する実数ベクトル分解部と、
前記特徴ベクトルと分解された前記実数ベクトルとの内積を所定の閾値とを比較するための演算を行なうベクトル演算部と、
を備え、
前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積計算ごとに、前記特徴ベクトルと分解された前記実数ベクトルとの内積が、前記閾値よりも大きくなるか否か、及び/又は前記閾値よりも小さくなるか否かを判断する
ことを特徴とする特徴量演算装置。
前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積計算ごとに、当該基底ベクトルまでの内積の合計が、最大側早期判定用閾値より大きいか否かによって、前記特徴ベクトルと分解された前記実数ベクトルとの内積が、前記閾値よりも大きくなるか否かを判断することを特徴とする付記3−1に記載の特徴量演算装置。
前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積が取りうる最小値を学習によって求めて、前記閾値から内積計算を行なっていない前記基底ベクトルと前記特徴ベクトルとの内積がとりうる値の最小値の合計を引いて、前記最大側早期判定用閾値を求めることを特徴とする付記3−2に記載の特徴量演算装置。
前記特徴ベクトルと前記複数の基底ベクトルの各々との内積が取りうる最小値は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積が取りうる値のうちの最小側の上位の所定の割合にある値であることを特徴とする付記3−3に記載の特徴量演算装置。
前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積計算ごとに、当該基底ベクトルまでの内積の合計が、最小側早期判定用閾値より小さいか否かによって、前記特徴ベクトルと分解された前記実数ベクトルとの内積が、前記閾値よりも小さくなるか否かを判断することを特徴とする付記3−1ないし3−4のいずれか一項に記載の特徴量演算装置。
前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積が取りうる最大値を学習によって求めて、前記閾値から内積計算を行なっていない前記基底ベクトルと前記特徴ベクトルとの内積がとりうる値の最大値の合計を引いて、前記最小側早期判定用閾値を求めることを特徴とする付記3−5に記載の特徴量演算装置。
前記特徴ベクトルと前記複数の基底ベクトルの各々との内積が取りうる最大値は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積が取りうる値のうちの最大側の上位の所定の割合にある値であることを特徴とする付記3−6に記載の特徴量演算装置。
前記実数ベクトル分解部は、前記複数の基底ベクトルの各係数を絶対値の大きさの順にすることを特徴とする付記3−1ないし3−7のいずれか一項に記載の特徴量演算装置。
前記特徴ベクトルは、HoG特徴量であり、
前記実数ベクトルは、線形SVMの重みベクトルであり、
前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積計算ごとに、線形SVMによって前記特徴ベクトルの識別を行なうことを特徴とする付記3−1ないし3−8のいずれか一項に記載の特徴量演算装置。
コンピュータを、付記3−1ないし3−9のいずれか一項に記載の特徴量演算装置として機能させるための特徴量演算プログラム。
二値化された特徴ベクトルを取得する特徴ベクトル取得ステップと、
実数ベクトルを取得する実数ベクトル取得ステップと、
前記実数ベクトルを離散値の要素を持つ複数の基底ベクトルの線形和に分解する実数ベクトル分解ステップと、
前記特徴ベクトルと分解された前記実数ベクトルとの内積を所定の閾値とを比較するための演算を行なう特徴ベクトル演算ステップと、
を含み、
前記特徴ベクトル演算ステップは、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積計算ごとに、前記特徴ベクトルと分解された前記実数ベクトルとの内積が、前記閾値よりも大きくなるか否か、及び/又は前記閾値よりも小さくなるか否かを判断する
ことを特徴とする特徴量演算方法。
二値化された特徴ベクトルを取得する特徴ベクトル取得部と、
二値の離散値のみから構成された要素を持つ複数の二値ベクトルを取得する二値ベクトル取得部と、
前記特徴ベクトルと前記複数の二値ベクトルの各々との内積計算を順次行うベクトル演算部と、
を備え、
前記ベクトル演算部は、前記特徴ベクトルと前記二値ベクトルとの排他的論理和をとることで、前記特徴ベクトルと前記二値ベクトルとの内積を計算することを特徴とする特徴量演算装置。
二値化された特徴ベクトルを取得する特徴ベクトル取得部と、
−1、0、1の三値のみから構成された要素を持つ複数の三値ベクトルを取得する三値ベクトル取得部と、
前記特徴ベクトルと前記複数の三値ベクトルの各々との内積計算を順次行うベクトル演算部と、
を備え、
前記ベクトル演算部は、前記特徴ベクトルと前記三値ベクトルとの内積計算において、前記三値ベクトルの0の要素を−1又は1の任意のいずれかに置換して0置換ベクトルを生成し、前記三値ベクトルの0の要素を−1に置換し、かつ0以外の要素を1に置換してフィルタベクトルを生成し、前記特徴ベクトルと前記0置換ベクトルとの排他的論理和と前記フィルタベクトルとの論理積をとることで、前記特徴ベクトルと前記三値ベクトルとの間の非0で異なる要素の要素数Dfilterd_hammingを求め、前記要素数Dfilterd_hamming及び非0の要素数を前記特徴ベクトルの要素数から引くことで、前記特徴ベクトルと前記三値ベクトルとの間の非0で同一の要素の要素数を求め、前記特徴ベクトルと前記三値ベクトルとの間の非0で同一の要素の要素数から前記特徴ベクトルと前記三値ベクトルとの間の非0で異なる要素の要素数を引くことで、前記特徴ベクトルと前記三値ベクトルとの内積を求めることを特徴とする特徴量演算装置。
101 コンテンツ取得部
102 特徴ベクトル生成部
103 特徴ベクトル二値化部
104 実数ベクトル取得部
105 実数ベクトル分解部
106 ベクトル演算部(内積演算部)
10 物体認識装置
11 ピラミッド画像生成部
12 HoG特徴量抽出部
13 バイナリコード変換部
14 パラメータ決定部
15 パラメータ行列分解部
16 線形SVM識別部
20 k−meansクラスタリング装置
21 コンテンツ取得部
22 特徴ベクトル生成部
23 特徴ベクトル二値化部
24 代表ベクトル更新部
25 収束判定部
26 代表ベクトル分解部
27 最近接代表ベクトル算出部
Claims (43)
- 二値化された特徴ベクトルを取得する特徴ベクトル取得部と、
実数ベクトルを二値または三値の離散値のみから構成された要素を持つ複数の基底ベクトルの線形和に分解することで得られた前記複数の基底ベクトルを取得する基底ベクトル取得部と、
前記特徴ベクトルと前記複数の基底ベクトルの各々との内積計算を順次行うことで、前記実数ベクトルと前記特徴ベクトルとの関連性を判定するベクトル演算部と
を備えたことを特徴とする関連性判定装置。 - 前記特徴ベクトルと前記基底ベクトルとの内積計算は、−1及び1のみを要素としてもつ第1の二値ベクトルと−1及び1のみを要素としてもつ複数の第2の二値ベクトルとの内積計算を含むことを特徴とする請求項1に記載の関連性判定装置。
- 前記第1の二値ベクトルは、前記特徴ベクトルであることを特徴とする請求項2に記載の関連性判定装置。
- 前記第1の二値ベクトルは、前記特徴ベクトルの各要素を所定の係数で除したベクトルであることを特徴とする請求項2に記載の関連性判定装置。
- 前記第1の二値ベクトルは、その各要素を線形変換することで前記特徴ベクトルが得られるベクトルであることを特徴とする請求項2に記載の関連性判定装置。
- 前記第2の二値ベクトルは、前記基底ベクトルであることを特徴とする請求項2ないし5のいずれか一項に記載の関連性判定装置。
- 前記第2の二値ベクトルは、前記基底ベクトルの各要素を所定の係数で除したベクトルであることを特徴とする請求項2ないし5のいずれか一項に記載の関連性判定装置。
- 前記第2の二値ベクトルは、その各要素を線形変換することで前記基底ベクトルが得られるベクトルであることを特徴とする請求項2ないし5のいずれか一項に記載の関連性判定装置。
- 前記特徴ベクトルと前記基底ベクトルとの内積計算は、−1及び1のみを要素としてもつ二値ベクトルと−1、0及び1のみを要素としてもつ複数の三値ベクトルとの内積計算を含むことを特徴とする請求項1に記載の関連性判定装置。
- 前記二値ベクトルは、前記特徴ベクトルであることを特徴とする請求項9に記載の関連性判定装置。
- 前記二値ベクトルは、前記特徴ベクトルの各要素を所定の係数で除したベクトルであることを特徴とする請求項9に記載の関連性判定装置。
- 前記二値ベクトルは、その各要素を線形変換することで前記特徴ベクトルが得られるベクトルであることを特徴とする請求項9に記載の関連性判定装置。
- 前記複数の三値ベクトルは、前記複数の基底ベクトルであることを特徴とする請求項9ないし12のいずれか一項に記載の関連性判定装置。
- 前記複数の三値ベクトルは、前記複数の基底ベクトルの各要素を所定の係数で除したベクトルであることを特徴とする請求項9ないし12のいずれか一項に記載の関連性判定装置。
- 前記複数の三値ベクトルは、その各要素を線形変換することで前記複数の基底ベクトルが得られるベクトルであることを特徴とする請求項9ないし12のいずれか一項に記載の関連性判定装置。
- 前記ベクトル演算部は、前記第1の二値ベクトルと前記第2の二値ベクトルとの排他的論理和をとることで、前記第1の二値ベクトルと前記第2の二値ベクトルとの内積を計算することを特徴とする請求項2に記載の関連性判定装置。
- 前記ベクトル演算部は、前記二値ベクトルと前記三値ベクトルとの内積計算において、前記三値ベクトルの0の要素を−1又は1の任意のいずれかに置換して0置換ベクトルを生成し、前記三値ベクトルの0の要素を−1に置換し、かつ0以外の要素を1に置換してフィルタベクトルを生成し、前記二値ベクトルと前記0置換ベクトルとの排他的論理和と前記フィルタベクトルとの論理積をとることで、前記二値ベクトルと前記三値ベクトルとの間の非0で異なる要素の要素数Dfilterd_hammingを求め、前記要素数Dfilterd_hamming及び非0の要素数を前記二値ベクトルの要素数から引くことで、前記二値ベクトルと前記三値ベクトルとの間の非0で同一の要素の要素数を求め、前記二値ベクトルと前記三値ベクトルとの間の非0で同一の要素の要素数から前記二値ベクトルと前記三値ベクトルとの間の非0で異なる要素の要素数を引くことで、前記二値ベクトルと前記三値ベクトルとの内積を求めることを特徴とする請求項9に記載の関連性判定装置。
- 前記複数の基底ベクトルは、前記実数ベクトルと、前記複数の基底ベクトルの線形和との差分を分解誤差として、前記分解誤差が最小になるように、求められることを特徴とする請求項1に記載の関連性判定装置。
- 前記複数の基底ベクトルは、前記実数ベクトルと前記特徴ベクトルとの内積と、前記複数の基底ベクトルの線形和と前記特徴ベクトルとの内積との差分を分解誤差として、前記分解誤差が最小になるように、求められることを特徴とする請求項1に記載の関連性判定装置。
- 前記複数の基底ベクトルは、前記複数の基底ベクトルの要素を固定して、前記分解誤差が最小になるように、前記複数の基底ベクトルに係る複数の係数を更新する第1の更新と、前記複数の係数を固定して、前記分解誤差が最小になるように前記基底ベクトルの要素を更新する第2の更新とを繰り返すことで、前記複数の係数とともに求められることを特徴とする請求項18又は19に記載の関連性判定装置。
- 前記複数の基底ベクトルは、前記分解誤差の減少量が所定の値以下になるまで前記第1の更新と前記第2の更新を繰り返すことで求められることを特徴とする請求項20に記載の関連性判定装置。
- 前記複数の基底ベクトルは、前記複数の基底ベクトル及び前記複数の係数の初期値を変えて、複数とおりの前記複数の基底ベクトル及び前記複数の係数を求め、前記分解誤差が最小となる前記複数の基底ベクトル及び前記複数の係数を採用することで求められることを特徴とする請求項20又は21に記載の関連性判定装置。
- 前記複数の基底ベクトルに係る複数の係数は離散値であることを特徴とする請求項20又は21に記載の関連性判定装置。
- 前記複数の基底ベクトルは、前記実数ベクトルの要素の平均値を前記実数ベクトルの各要素から引いたオフセット実数ベクトルを前記基底ベクトルの線形和に分解することで求められることを特徴とする請求項18又は19に記載の関連性判定装置。
- 前記ベクトル演算部は、前記特徴ベクトルと前記基底ベクトルとの前記内積計算を実行する度に、前記内積計算の結果の合計と、前記実数ベクトルと前記特徴ベクトルとが関連している場合に前記合計がとり得る範囲を求め、前記合計が前記とり得る範囲外である場合に、前記内積計算を打ち切って、前記特徴ベクトルと前記基底ベクトルとの内積と所定の閾値との大小関係を判定することを特徴とする請求項1に記載の関連性判定装置。
- 前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積計算ごとに、当該基底ベクトルまでの前記内積計算の結果の合計が、最大側早期判定用閾値より大きい場合に、前記内積計算を打ち切って、前記実数ベクトルと前記特徴ベクトルとの内積が前記閾値より大きいと判定することを特徴とする請求項25に記載の関連性判定装置。
- 前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積がとり得る最小値を学習によって求めて、前記閾値から前記内積計算を行なっていない前記基底ベクトルと前記特徴ベクトルとの内積がとり得る値の最小値の合計を引いて、前記最大側早期判定用閾値を求めることを特徴とする請求項26に記載の関連性判定装置。
- 前記特徴ベクトルと前記複数の基底ベクトルの各々との内積がとり得る最小値は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積がとり得る値のうちの最小側の上位の所定の割合にある値であることを特徴とする請求項27に記載の関連性判定装置。
- 前記最大側早期判定用閾値は、前記実数ベクトルと前記特徴ベクトルとが関連している場合にとり得る前記内積計算の結果の合計の最小値であることを特徴とする請求項26ないし28のいずれか一項に記載の関連性判定装置。
- 前記ベクトル演算部は、前記実数ベクトルと前記特徴ベクトルとの内積が前記閾値より大きいと判定したときに、前記特徴ベクトルと前記基底ベクトルとは関連していると判定することを特徴とする請求項29に記載の関連性判定装置。
- 前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積計算ごとに、当該基底ベクトルまでの前記内積計算の結果の合計が、最小側早期判定用閾値より小さい場合に、前記内積計算を打ち切って、前記実数ベクトルと前記特徴ベクトルとの内積が前記閾値より小さいと判定することを特徴とする請求項25ないし30のいずれか一項に記載の関連性判定装置。
- 前記ベクトル演算部は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積がとり得る最大値を学習によって求めて、前記閾値から前記内積計算を行なっていない前記基底ベクトルと前記特徴ベクトルとの内積がとり得る値の最大値の合計を引いて、前記最小側早期判定用閾値を求めることを特徴とする請求項31に記載の関連性判定装置。
- 前記特徴ベクトルと前記複数の基底ベクトルの各々との内積がとり得る最大値は、前記特徴ベクトルと前記複数の基底ベクトルの各々との内積がとり得る値のうちの最大側の上位の所定の割合にある値であることを特徴とする請求項32に記載の関連性判定装置。
- 前記最小側早期判定用閾値は、前記実数ベクトルと前記特徴ベクトルとが関連していない場合にとり得る前記内積計算の結果の合計の最大値であることを特徴とする請求項31ないし33のいずれか一項に記載の関連性判定装置。
- 前記ベクトル演算部は、前記実数ベクトルと前記特徴ベクトルとの内積が前記閾値より小さいと判定したときに、前記特徴ベクトルと前記基底ベクトルとは関連していないと判定することを特徴とする請求項34に記載の関連性判定装置。
- 前記ベクトル演算部は、係数の絶対値が大きい前記基底ベクトルから順に前記内積計算を行うことを特徴とする請求項25ないし35のいずれか一項に記載の関連性判定装置。
- 前記ベクトル演算部は、前記特徴ベクトルと、分解された前記実数ベクトルをそれぞれ複数の部分ベクトルに分解し、前記特徴ベクトルの分解ベクトルと分解された前記実数ベクトルの部分ベクトルとの内積が、所定の閾値よりも大きくなるか否か、及び/又は前記閾値よりも小さくなるか否かを判断することを特徴とする請求項1に記載の関連性判定装置。
- 前記特徴ベクトルは、HoG特徴量であり、
前記実数ベクトルは、線形SVMの重みベクトルであり、
前記ベクトル演算部は、前記関連性の判定として、線形SVMによって前記特徴ベクトルの識別を行なう
ことを特徴とする請求項1ないし37のいずれか一項に記載の関連性判定装置。 - 前記特徴ベクトルは、k−meansクラスタリングによるクラスタリングの対象となるベクトルであり、
前記実数ベクトルは、k−meansクラスタリングにおける代表ベクトルであり、
前記ベクトル演算部は、前記関連性の判定として、前記特徴ベクトルと前記代表ベクトルとの間の距離の演算を含むクラスタリング処理を行なう
ことを特徴とする請求項1ないし37のいずれか一項に記載の関連性判定装置。 - 前記特徴ベクトルは、k−means treeによる近似最近傍探索の対象となるベクトルであり、
前記実数ベクトルは、k−分木のノードに登録されている代表ベクトルであり、
前記ベクトル演算部は、前記関連性の判定として、前記特徴ベクトルと前記代表ベクトルとの間の距離の演算を含むクラスタリング処理を行なう
ことを特徴とする請求項1ないし37のいずれか一項に記載の関連性判定装置。 - 前記特徴ベクトルは、画像の特徴量を表すベクトルであることを特徴とする請求項38ないし40のいずれか一項に記載の関連性判定装置。
- コンピュータを、請求項1ないし41のいずれか一項に記載の関連性判定装置として機能させるための関連性判定プログラム。
- 二値化された特徴ベクトルを取得する特徴ベクトル取得ステップと、
実数ベクトルを二値または三値の離散値のみから構成された要素を持つ複数の基底ベクトルの線形和に分解して得られた前記複数の基底ベクトルを取得する基底ベクトル取得ステップと、
前記特徴ベクトルと前記複数の基底ベクトルの各々との内積計算を順次行うことで、前記実数ベクトルと前記特徴ベクトルとの関連性を判定するベクトル演算ステップと
を含むことを特徴とする関連性判定方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013214182A JP6055391B2 (ja) | 2012-11-05 | 2013-10-11 | 関連性判定装置、関連性判定プログラム、及び関連性判定方法 |
US14/432,592 US10409886B2 (en) | 2012-11-05 | 2013-11-01 | Relatedness determination device, non-transitory tangible computer-readable medium for the same, and relatedness determination method |
PCT/JP2013/006482 WO2014068990A1 (ja) | 2012-11-05 | 2013-11-01 | 関連性判定装置、同上用持続的有形コンピュータ読み取り媒体、及び関連性判定方法 |
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012243491 | 2012-11-05 | ||
JP2012243491 | 2012-11-05 | ||
JP2012243490 | 2012-11-05 | ||
JP2012243494 | 2012-11-05 | ||
JP2012243490 | 2012-11-05 | ||
JP2012243494 | 2012-11-05 | ||
JP2013214182A JP6055391B2 (ja) | 2012-11-05 | 2013-10-11 | 関連性判定装置、関連性判定プログラム、及び関連性判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014112358A JP2014112358A (ja) | 2014-06-19 |
JP6055391B2 true JP6055391B2 (ja) | 2016-12-27 |
Family
ID=50626935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013214182A Active JP6055391B2 (ja) | 2012-11-05 | 2013-10-11 | 関連性判定装置、関連性判定プログラム、及び関連性判定方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10409886B2 (ja) |
JP (1) | JP6055391B2 (ja) |
WO (1) | WO2014068990A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6324264B2 (ja) * | 2014-08-22 | 2018-05-16 | ルネサスエレクトロニクス株式会社 | 三値内積演算回路、三値内積演算処理プログラム、及び、三値内積演算回路による演算処理方法 |
JP6558765B2 (ja) * | 2014-12-18 | 2019-08-14 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 処理装置、処理方法、推測装置、推測方法、およびプログラム |
WO2017082875A1 (en) | 2015-11-10 | 2017-05-18 | Hewlett Packard Enterprise Development Lp | Data allocation based on secure information retrieval |
US11657267B2 (en) * | 2016-07-21 | 2023-05-23 | Denso It Laboratory, Inc. | Neural network apparatus, vehicle control system, decomposition device, and program |
US11080301B2 (en) | 2016-09-28 | 2021-08-03 | Hewlett Packard Enterprise Development Lp | Storage allocation based on secure data comparisons via multiple intermediaries |
US10394930B2 (en) * | 2016-10-01 | 2019-08-27 | Intel Corporation | Binary vector factorization |
JP6999885B2 (ja) * | 2017-05-08 | 2022-01-19 | 株式会社プロアシスト | 二値化ニューラルネットワーク用プロセッサ、データ処理方法、および、プログラム |
US10210137B2 (en) * | 2017-06-28 | 2019-02-19 | Intel Corporation | Binary multiplier for binary vector factorization |
JP6867929B2 (ja) * | 2017-10-26 | 2021-05-12 | 株式会社デンソーアイティーラボラトリ | 行列分解装置及び行列分解方法 |
WO2020100289A1 (ja) * | 2018-11-16 | 2020-05-22 | 富士通株式会社 | 類似度計算装置、類似度計算方法および類似度計算プログラム |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4416010A (en) * | 1980-04-14 | 1983-11-15 | Victor Company Of Japan, Ltd. | Double error correcting system in digital signal reproducing apparatus |
JPS62180488A (ja) * | 1986-02-03 | 1987-08-07 | Ricoh Co Ltd | パタ−ンマツチング方式 |
JPH0636034A (ja) * | 1992-07-15 | 1994-02-10 | Mitsubishi Heavy Ind Ltd | パターン認識装置 |
JP3352761B2 (ja) * | 1993-06-01 | 2002-12-03 | 武藤工業株式会社 | 画像データの位置変換方法 |
JP2000322571A (ja) * | 1999-05-13 | 2000-11-24 | Sharp Corp | 画像処理方法および画像処理装置 |
JP2004133637A (ja) * | 2002-10-09 | 2004-04-30 | Sony Corp | 顔検出装置、顔検出方法及びプログラム、並びにロボット装置 |
KR100723406B1 (ko) * | 2005-06-20 | 2007-05-30 | 삼성전자주식회사 | 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치 |
US7839407B2 (en) * | 2006-01-25 | 2010-11-23 | Pixar | Methods and apparatus for accelerated animation using point multiplication |
JP4917351B2 (ja) * | 2006-05-16 | 2012-04-18 | ローランドディー.ジー.株式会社 | 3次元形状測定装置におけるキャリブレーション方法 |
US8355539B2 (en) * | 2007-09-07 | 2013-01-15 | Sri International | Radar guided vision system for vehicle validation and vehicle motion characterization |
EP2515541A4 (en) * | 2009-12-18 | 2015-08-26 | Sharp Kk | BILDFILTER, CODING DEVICE, DECODING DEVICE AND DATA STRUCTURE |
JP2011188083A (ja) * | 2010-03-05 | 2011-09-22 | Sony Corp | 情報処理装置、情報処理方法、プログラム、及び光学顕微鏡を搭載した撮像装置 |
AU2011305154B2 (en) * | 2010-09-24 | 2015-02-05 | Irobot Corporation | Systems and methods for VSLAM optimization |
-
2013
- 2013-10-11 JP JP2013214182A patent/JP6055391B2/ja active Active
- 2013-11-01 US US14/432,592 patent/US10409886B2/en active Active
- 2013-11-01 WO PCT/JP2013/006482 patent/WO2014068990A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2014068990A1 (ja) | 2014-05-08 |
US10409886B2 (en) | 2019-09-10 |
US20150278156A1 (en) | 2015-10-01 |
JP2014112358A (ja) | 2014-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6055391B2 (ja) | 関連性判定装置、関連性判定プログラム、及び関連性判定方法 | |
JP6566397B2 (ja) | 認識装置、実数行列分解方法、認識方法 | |
CN109885692B (zh) | 知识数据存储方法、装置、计算机设备和存储介质 | |
CN109669962B (zh) | 精确指数和准确softmax计算 | |
Al-Anazi et al. | Finding similar documents using different clustering techniques | |
CN110059181B (zh) | 面向大规模分类体系的短文本标签方法、系统、装置 | |
JP5258915B2 (ja) | 特徴変換装置、それを含む類似情報探索装置、コード化パラメータ生成方法、及びコンピュータ・プログラム | |
US20160232254A1 (en) | Efficient calculation of all-pair path-based distance measures | |
CN111986792B (zh) | 医疗机构评分方法、装置、设备及存储介质 | |
JP6235414B2 (ja) | 特徴量演算装置、特徴量演算方法、及び特徴量演算プログラム | |
CN109783547B (zh) | 一种相似性连接查询方法及装置 | |
JP2015203946A (ja) | ヒストグラムの重心を計算する方法 | |
CN112784009B (zh) | 一种主题词挖掘方法、装置、电子设备及存储介质 | |
EP2953062A1 (en) | Learning method, image processing device and learning program | |
JP6259671B2 (ja) | 関連性判定装置、関連性判定プログラム、及び関連性判定方法 | |
Jayady et al. | Theme Identification using Machine Learning Techniques | |
Wang et al. | File fragment type identification with convolutional neural networks | |
CN111611395A (zh) | 一种实体关系的识别方法及装置 | |
EP4285281A1 (en) | Annotation-efficient image anomaly detection | |
CN111488400B (zh) | 数据分类方法、装置和计算机可读存储介质 | |
JP6375420B2 (ja) | 関連性判定装置、及び関連性判定プログラム | |
CN109299260B (zh) | 数据分类方法、装置以及计算机可读存储介质 | |
CN112149566A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN111090743A (zh) | 一种基于词嵌入和多值形式概念分析的论文推荐方法及装置 | |
Rangan et al. | Kannada document classification using unicode term encoding over vector space |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20151113 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20151208 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160906 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20161013 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20161115 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161202 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6055391 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |